学部・大学院区分
Undergraduate / Graduate
情報学部
時間割コード
Registration Code
1001119
科目区分
Course Category
専門科目(コンピュータ科)関連専門科目(自然,人社)
科目名 【日本語】
Course Title
機械学習
科目名 【英語】
Course Title
Machine Learning
コースナンバリングコード
Course Numbering Code
SIS-13-3011-J
担当教員 【日本語】
Instructor
森 健策 ○
担当教員 【英語】
Instructor
MORI Kensaku ○
単位数
Credits
2
開講期・開講時間帯
Term / Day / Period
春1期 木曜日 1時限
春1期 木曜日 2時限
Spring1 Thu 1
Spring1 Thu 2
対象学年
Year
3年
3
授業形態
Course style
講義及び演習
開講系(学部)・開講専攻(大学院)
Subject
CS共通
必修・選択
Required / Selected
CS(知能)必修


授業の目的 【日本語】
Goals of the Course(JPN)
音声,画像,文字などを高精度で認識する機械学習技術の基本的な考え方,識別理論,学習理論およびそれらのアルゴリズムを習得する。本講義では,機械学習における識別関数,パラメトリック学習,ノンパラメトリック学習,誤差評価に基づく学習,識別関数の設計と最適化,特徴評価とベイズ誤り,機械学習における特徴空間変換,KL展開,線形判別法,部分空間法,期待損失最小化学習,ベイズ決定則,ニューラルネットワークなどについて学修する。
授業の目的 【英語】
Goals of the Course
We will learn he basic concept of the machine learning technologies that can precisely recognize audio, images, characters In this lecture, we will learn several machine learning technologies including discriminate function, parametric learning, non-parametric learning, learning based on error evaluation, design and optimization of discriminate, feature evaluation and Bayes error, feature space transformation in machine learning, KL expansion, linear discriminative function, eigenspace, expected loss minimization learning, Bayesian decision, and neural network. We will acquire the basic knowledge of machine learning trough this lecture.
到達目標 【日本語】
Objectives of the Course(JPN)
音声,画像,文字などを高精度で認識する機械学習技術の基本的な考え方,識別理論,学習理論およびそれらのアルゴリズムを習得する。この講義により機械学習の基本について理解するとともに,他科目での演習,学生実験,卒業研究へと発展できるようにする。
到達目標 【英語】
Objectives of the Course
To learn the basic concept, discrimination theory, learning theory and their algorithms of machine learning technology which recognizes speech, images, characters, etc. with high accuracy. Through this lecture, students will be able to understand the basics of machine learning and develop and expand it to other subjects, experiments, and graduation research.
授業の内容や構成
Course Content / Plan
本講義では,機械学習における識別関数,パラメトリック学習,ノンパラメトリック学習,誤差評価に基づく学習,識別関数の設計と最適化,特徴評価とベイズ誤り,機械学習における特徴空間変換,KL展開,線形判別法,部分空間法,期待損失最小化学習,ベイズ決定則,ニューラルネットワークなどについて学修する。

1. ガイダンス
2. 機械学習における識別関数
3. パラメトリック学習とノンパラメトリック学習
4. 誤差評価に基づく学習
5. 識別関数の設計と最適化
6. 機械学習における特徴空間変換
7. 特徴評価とベイズ誤り
8. ベイズ決定則
9. 部分空間法
10. ニューラルネットワーク
11. 総括
履修条件・関連する科目
Course Prerequisites and Related Courses
線形代数学Ⅰ,Ⅱ,微分積分学Ⅰ,Ⅱ,確率統計及び演習を受講済みであることが望ましい。プログラムングに関する基礎的知識をもち、機械学習の理解を深めるためPythonによるプログラミングができること。
成績評価の方法と基準
Course Evaluation Method and Criteria
講義中に与える演習課題の評価45%,期末試験55%,合計100点満点で60点以上を合格とする。
教科書・参考書
Textbook/Reference book
教科書 石井 健一郎, 前田 英作, 上田 修功, 村瀬 洋:わかりやすいパターン認識,オーム社。
参考書 山下 隆義:イラストで学ぶ ディープラーニング 改訂第2版 ,講談社
参考書 岡谷 貴之 :深層学習 改訂第2版、講談社
参考書 石井 健一郎、 上田 修功、続・わかりやすいパターン認識―教師なし学習入門―、オーム社
参考書 石井 健一郎、 前田 英作続々・わかりやすいパターン認識: 線形から非線形へ、オーム社
課外学習等(授業時間外学習の指示)
Study Load(Self-directed Learning Outside Course Hours)
講義において説明した理論を理解するために課題を与える。
授業開講形態等
Lecture format, etc.
対面講義を基本とする。講義回によっては、Zoom等を用いた遠隔講義、あるいは、TACTを通じたオンデマンド講義配信をおこなう場合がある。
遠隔授業(オンデマンド型)で行う場合の追加措置
Additional measures for remote class (on-demand class)
対面講義を基本とする。